miércoles, 2 de diciembre de 2015
viernes, 27 de noviembre de 2015
RESOLVER PROBLEMAS MEDIANTE BUSQUEDA
INTRODUCCIÓN
En
este informe se describirá una clase de
agente basado en objetivos llamado agente resolvente de problemas, estos
agentes deciden que hacer para encontrar
secuencias de acciones que conduzcan a estados deseables. Comenzaremos
definiendo los elementos que constituyen el problema y su solución. Además
estudiaremos algunos métodos de búsqueda ya que cuando se esté ante un problema
la mejor opción sería aplicar alguno de estos métodos.
AGENTES RESOLVENTES DE PROBLEMAS
Estos
agentes están constituidos por dos elementos que son: una solución y un problema,
estos agentes deben seguir un objetivo, el cual es el encargado de organizar el
comportamiento del agente, según el problema.
- Formulación del problema
- Formulación del objetivo
- Fase de búsqueda
- Ejecuta
PROBLEMAS Y SOLUCIONES BIEN DEFINIDOS
El problema tiene cuatro componentes principales que
son:
Estado Inicial: Es
el lugar donde comienza el agente. Ejemplo si una agente está en un lugar
A y quiere llegar a un lugar B, su estado inicial será A.
Test Objetivo: Es
donde se determina si un estado es objetivo, es un conjunto de posibles estados
objetivos en si lo que hace es comprobar si el estado pertenece a ellos. Ejemplo
si una agente está en un lugar A y
quiere ir a un lugar B, el test objetivo es llegar a B.
Función Sucesor: son
las posibles acciones que un agente realiza y con estas obtener como
resultado un estado. Ejemplo si una agente está en un lugar A y quiere ir
a un lugar B, la función sucesor sería ir a B, estar en B.
Función Costo: Es
el valor de la ruta al cual se le asigna
un costo. Con la función costo se puede reflejar las medidas de
rendimiento de un agente resolventes-problemas.
ESTARTEGIAS DE BUSQUEDA NO INFORMADA
La búsqueda no
informada como su no nombre lo dice es cuando existen escases o no hay ninguna información
adicional sobre los estados que están más allá de lo que específica el
problema, y esto conlleva a generar
varias acciones y estados sucesores
BUSQUEDA PRIMERO EN ANCHURA
La búsqueda primero
en anchura es una estrategia sencilla en la que se expande primero el nodo raíz,
a continuación se expanden todos los sucesores del nodo raíz, después sus
sucesores, etc. En general, se expanden todos los nodos a una profundidad en el
árbol de búsqueda antes de expandir cualquier nodo del próximo nivel.Esta técnica
utiliza el método FIFO; primero en entrar y primero en salir. Este método es
óptimo cuando el costo de todos los nodos es igual.
BUSQUEDA DE COSTO UNIFORME
La búsqueda de
costo uniforme expande el nodo n con el camino de costo más pequeño. Notemos
que si todos los costos son iguales, es idéntico a la búsqueda primero en anchura.
La búsqueda de costo uniforme no se preocupa por el número de pasos que tiene un
camino, pero si sobre su coste total. Por lo tanto, este se meterá en un bucle
infinito si expande un nodo que tiene una acción de coste cero que conduzca de
nuevo al mismo estado.
BUSQUEDA PRIMERO EN PROFUNDIDAD
Esta búsqueda expande
siempre el nodo más profundo en la frontera del árbol, si la solución no fue
encontrada por la rama expandida, entonces la búsqueda retrocede y expande
último nodo no expandido, se podría implementar con la búsqueda de árbol con
una cola que utiliza el método LIFO último en entrar y primero en salir.
BUSQUEDA DE PROFUNDIDAD LIMITADA
Su procedimiento
consiste en visitar todos los nodos de forma ordenada pero no uniforme en un
camino concreto, dejando caminos sin visitar en su proceso, imponiendo un
límite máximo de profundidad de búsqueda.
La búsqueda en
profundidad limitada encontrará una solución si esta se encuentra dentro del
límite de profundidad.
BUSQUEDA PRIMERO CON PROFUNDIDAD ITERATIVA
Es una estrategia
general, usada a menudo en combinación con la búsqueda primero en profundidad,
la cual encuentra el mejor límite de profundidad. Esto se hace aumentando
gradualmente el limite (primero 0, después 1, después 2, etcétera) hasta que
encontramos un objetivo. Esto ocurrirá cuando el límite de profundidad alcanza d,
profundidad del nodo objetivo.
BUSQUEDA BIDIRECCIONAL
Esta inicia dos
búsquedas al mismo tiempo una desde el nodo raíz y otra desde el objetivo, por
lo menos una de las búsquedas debe ser en anchura para que en algún momento se
encuentren.
CONCLUSION
Para
resolver problemas de búsqueda se deberían de ponen en práctica los diversos
tipos de búsqueda ya que si no se los usan es posible caer en bucles infinitos
o quizás llegar al resultado pero de una manera poco eficiente, además la aplicación
de estas técnicas ayudan a mejorar el rendimiento acortando distancias y
reduciendo costos ya sea de caminos o recursos.
BIBLIOGRAFÍA
Berzal, F. s.f. Búsqueda en inteligencia
artificial. (En línea). Disponible en: http://elvex.ugr.es/decsai/iaio/slides/A3%20Search.pdf
Díaz, P. 2013. Tipos de Búsquedas Inteligencia
Artificial. Disponible en: http://es.slideshare.net/pakodiaz752/tipos-de-busquedas-ia
Rusell, S; Norvig, P. 2004. Inteligencia
Artificial un Enfoque Moderno, Madrid, 2ed.
ESTRUCTURA DE LOS AGENTES
INTRODUCCIÓN
El
presente tema está orientado a la estructura de los agentes y como trabajan internamente,
también aprenderemos a clasificarlos según los programas existentes ya que como
se sabe un agente es independiente al medio en que se encuentre y por ese
motivo los clasificaremos dependiendo de las labores y lo que son capaces de
hacer dentro del medio de trabajo.
ESTRUCTURA DE LOS AGENTES
El
trabajo de la IA es diseñar el programa para que el agente pueda proyectar las
percepciones en las acciones, este programa se ejecutara en algún tipo de
computador con sensores y actuadores, a esto se lo denomina arquitectura, esta debe
estar diseñada para las utilidades del agente ya que se encargara de que el
agente funcione.
Agente
= arquitectura + programa
PROGRAMAS DE LOS AGENTES
Los
programas de los agentes reciben las
percepciones actuales como entradas de los sensores y devuelven una acción a
los actuadores. Hay que tener en cuenta la diferencia entre los programas de
los agentes, que toman la percepción actual como entrada, y la función del
agente, que recibe la percepción histórica completa. Entre los programas de los
agentes tenemos los siguientes:
Agentes reactivos simples: Este
agente basa sus acciones dependiendo de las percepciones actuales sin importar
las percepciones anteriores, poseen inteligencia muy limitada.
Agentes reactivos basados en modelos:
Deben de tener un estado interno que dependa del historial percibido, debe de
codificar 2 tipos de conocimiento: información de cómo funciona el mundo y como
afecta al mundo las acciones del agente.
Agentes basados en objetivos: El
agente necesita algún tipo de información sobre su meta que describa las
situaciones deseables.
Agentes basados en utilidad: Una
función de utilidad proyecta un estado que representa un nivel de felicidad.
Estos se utilizan cuando se desea llegar a su objetivo de una forma concreta y
eficiente.
Agentes que aprenden: Permiten
que los agentes operen en medios desconocidos y que aprenda por sí mismo sin
necesidad que se le de conocimientos previos.
CONCLUSIÓN
Como
sabemos un agente es un ente que actúa dependiendo del entorno en el que se
encuentre pero también podemos clasificarlos por la complejidad que tengan o
labores que son capaces de realizar cada uno de ellos, para esto existen
diversos programas de los agentes, para lo cual debemos de tener una idea clara
del funcionamiento de cada uno de ellos ya que se clasifican desde el sistema más
simple hasta el más complejo.
BIBLIOGRAFÍA
Alvarez, L 1994. Fundamentos de la Inteligencia
Artificial. Murcia 2ª ed
Rodríguez, W. 2003. Agentes Inteligentes. (En línea). Disponible en: www.ceidis.ula.ve/cursos/pgcomp/IA/semestrea03/IA-Clase2.pdf
Rusell, S; Norvig, P. 2004. Inteligencia
Artificial un Enfoque Moderno, Madrid, 2ed.
LA NATURALEZA DEL ENTORNO
INTRODUCCIÓN
En el
presente informe hablaremos sobre el entorno de trabajo en los que se sitúan
los agentes, también estudiaremos la naturaleza, las propiedades y aprenderemos
a identificar cada uno de los entornos en los que se desenvuelven los agentes
ya que estos medios podrían cambiar dependiendo de los sensores o el entorno
del agente.
ESPECIFICACIONES DEL ENTORNO
El
entorno es el medio donde los agentes racionales actúan mediante sus
sensores y actuadores para dar solución
a un problema, para esto se los debe denominar con el acrónimo REAS
(Rendimiento, Entorno, Actuadores, Sensores).
Ejemplo:
PROPIEDADES DEL ENTORNO
TOTALMENTE OBSERVABLE VS PARCIAMENTE OBSERVABLE
Se
dice que el entorno es totalmente observable si los sensores detectan todos los
aspectos que son relevante, en el caso de los parcialmente los sensores son
poco precisos.
DETERMINISTA VS
Si el
siguiente estado del medio está totalmente determinado por el estado actual y
la acción ejecutada por el agente, entonces el entorno es determinista; de otra
forma es estocástico.
Es
episódico cuando el siguiente episodio
no depende de las acciones previas, en cambio en el secuencial la decisión
presente pude afectar a las decisiones futuras.
ESTÁTICO VS
Si el
entorno puede cambiar cuando el agente está deliberando, entonces se dice que
el entorno es dinámico para el agente; de otra forma se dice que es estático.
En los medios estáticos el agente no necesita estar pendiente del mundo
mientras está tomando una decisión sobre una acción.
DISCRETO VS CONTINUO
Es
discreto cuando existe un número finito de estados, acciones y percepciones, y
si no tiene un número finito de estados se lo denomina continuo.
INDIVIDUAL VS MULTIAGENTE
Los
agentes individuales son los que trabajan solos tratando de maximizar su
rendimiento, y los multiagente son los que trabajan en conjunto con otro
agente.
CONCLUSIÓN
Es
importante conocer los tipos de entornos que trabajan los agentes ya que
dependiendo de los sensores actuadores y el entorno, el agente se desempeñará
de una manera diferente en el entorno de trabajo, una vez conocidos y diferenciados
los entornos se puede implementar el famoso REAS y poder construir una tabla
donde se encuentre el agente con su rendimiento, entorno, actuadores y sensores
en la cual tendremos información detallada de los agentes.
BIBLIOGRAFÍA
Rusell, S; Norvig, P. 2004. Inteligencia
Artificial un Enfoque Moderno, Madrid, 2ed.
Rihaw, I. 2009. Agentes inteligentes y la naturaleza de
su entorno. (En línea). Disponible en:
https://poiritem.wordpress.com/2009/11/16/6-4-2-agentes-inteligentes-y-la-naturaleza-de-su-entorno/
AGENTES INTELIGENTES
INTRODUCCIÓN
En el
presente informe se hablara sobre los agentes inteligentes, los tipos, el medio
en los que se desempeñan, y las acciones que realizan en un medio determinado. Ya
que dependiendo del habitad o medio en el que el agente realiza sus actividades,
este tiene su forma de actuar o de razonar además como existen diversos tipos
de gentes estudiaremos los tipos que existen y sus características.
AGENTES INTELIGENTES
AGENTES Y SU ENTORNO
Un
agente es cualquier cosa que sea capaz de percibir su ambiente utilizando
sensores e interactuar en ese medio a través de actuadores.
Actuadores: Los actuadores tienen
como objetivo generar el movimiento de los elementos del agente según las
órdenes dadas por la unidad de control, es decir que con estos
actuadores el agente reaccionara ante cualquier estimulo realizando una acción.
TIPOS DE AGENTES
Agente Humano: Un agente humano tiene
ojos y otros órganos sensoriales además de manos, piernas, y otras partes del
cuerpo para actuar. (Sentidos y órganos)
Agente Robot: Recibe pulsaciones del
teclado, archivos de información y paquetes vía red a modo de entradas
sensoriales y actúa sobre el medio con mensajes en el monitor.
BUEN COMPORTAMIENTO
Un
agente racional es capaz de actuar de la mejor manera ante la situación dada
para así obtener el mejor resultado.
Medidas de rendimiento: las
medidas de rendimiento definen el grado de éxito del agente ante la forma de
actuar en el medio que se desenvuelve
Racionalidad: un agente es capaz de
actuar de la mejor manera para obtener el mejor resultado
Omnisciencia: el agente conoce el
resultado de la acción que tome y actúa dependiendo de lo que sabe.
Aprendizaje: el agente aprende lo más
que puede en el medio que se encuentre.
Autonomía: un agente actuara automáticamente
sin importar la situación en la que se encuentre.
RACIONALIDAD
La racionalidad en un
momento determinado depende de cuatro factores:
• La medida de
rendimiento que define el criterio de éxito.
• El conocimiento del
medio en el que habita acumulado por el agente.
• Las acciones que el
agente puede llevar a cabo.
• La
secuencia de percepciones del agente hasta este momento.
CONCLUSIÓN
En
general los agentes dependiendo del ambiente en el que se encuentre
desempeñaran diferentes actividades, esto lo hace utilizando los sensores y los
actuadores. Pero si hablamos de agentes inteligentes más específicamente, estos
buscan la mejor opción para llevarla a cabo y con esto tener un beneficio
propio.
BIBLIOGRAFÍA
Barber, F. 2007. 10 años de “Inteligencia Artificial” Valencia, ES. Revista Iberoamericana de I.A. Vol 11
Rusell, S; Norvig, P. 2004. Inteligencia
Artificial un Enfoque Moderno, Madrid, 2ed.
Rihaw, I. 2009. Agentes inteligentes y la
naturaleza de su entorno. (En línea). Disponible en: https://poiritem.wordpress.com/2009/11/16/6-4-2-agentes-inteligentes-y-la-naturaleza-de-su-entorno/
HISTORIA DE LA INTELIGENCIA ARTIFICIAL
INTRODUCCIÓN
Luego de
conocer los conceptos básicos de la inteligencia artificial es importante
conocer los hechos históricos que han sido de gran importancia para el
desarrollo de la inteligencia artificial como ciencia. En el siguiente informe
se detallaran los sucesos más relevantes de la historia además de la evolución
de la inteligencia artificial hasta llegar a ser la ciencia que es hoy en día.
GÉNESIS DE LA INTELIGENCIA ARTIFICIAL (1943-1955)
Warren
McCulloch y Walter Pitts (1943) han sido reconocidos como los autores del
primer trabajo de IA. Partieron de tres fuentes:
- Fisiología básica y funcionamiento de las neuronas en el cerebro.
- El análisis formal de la lógica preposicional.
- La teoría de la computación de Turing.
Donald
Hebb (1949) propuso y demostró una regla de actualización para modificar las intensidades
de las conexiones entre neuronas. Su regla, es llamada aprendizaje Hebbiano o
de Hebb, y esta sigue vigente actualmente.
En el
año 1951 dos estudiantes Marvin Minsky y Dean Edmonds, construyeron el primer
computador a partir de una red neuronal al cual llamaron SNARC, este computador
estaba constituido por 3000 válvulas de vacío y un sistema de piloto automático
obtenido de un avión bombardero B-24 para poder simular una red de 40 neuronas.
NACIMIENTO DE LA INTELIGENCIA ARTIFICIAL (1956)
McCarthy
una vez que se graduó se trasladó al Dartmouth College, que se erigiría en el
lugar del nacimiento oficial de este campo, convenció a Minsky, Claude Shannon
y Nathaniel Rochester a que le ayudaran a que los investigadores americanos se
interesaran en la teoría de autómatas, redes neuronales y el estudio de la
inteligencia.
Luego
organizaron un taller con una duración de dos meses en Darmouth en el verano de
1956 al cual asistieron 10 personas dentro de las cuales se encontraban Trenchard
More de Princeton, Arthur Samuel de IBM, y Ray Solomonoff y Oliver Selfridge
del MIT.
ENTUSIASMO INICIAL, GRANDES ESPERANZAS (1952-1969)
Los
primeros años de la IA estuvieron llenos de éxitos teniendo en cuenta que los
primeros computadores eran demasiado primitivos y las herramientas de
programación estaban muy limitadas pero
fue muy sorprendente que un computador hiciera cosas remotamente inteligentes
en aquella época.
Al
temprano éxito de Newell y Simon siguio el del sistema de resolución general de
problemas, o SRGP, este posiblemente fue el primer programa que incorporo el
enfoque de “pensar como un ser humano”. El éxito del SRGP y de los programas
que le siguieron, llevaron a Newell y Simon (1976) a formular la famosa
hipótesis del sistema de símbolos físicos, que afirma que “un sistema de símbolos
físicos tiene los medios suficientes y necesarios para generar una acción
inteligente”.
UNA DOSIS DE REALIDAD (1966-1973)
Al principio, los investigadores de IA hicieron
públicas predicciones sobre el éxito que les esperaba, uno de ellos fue Simon quien
hizo predicciones sobre como en diez años un computador llegaría a ser campeón
de ajedrez, y que se podría demostrar un importante teorema matemático con una máquina.
Estas predicciones se cumplirían (al menos en parte) dentro de los siguientes
40 años y no en diez como afirmaba.
En
esta etapa surgieron algunos problemas, uno de ellos fue porque los primeros
programas contaban con escaso conocimiento del objeto de estudio, solo podían
obtener resultados gracias a sencillas manipulaciones sintácticas.
SISTEMAS BASADOS EN EL CONOCIMIENTO (1969-1979)
Los
sistemas basados en el conocimiento surgieron a través de un largo proceso de
investigación realizado por los científicos en el área de la IA, cuando, en los
años setenta, comenzaron a comprender que la capacidad de un programa de
ordenador para resolver problemas no reside en la expresión formal ni en los
esquemas lógicos de inferencia que emplea sino en el conocimiento que posee.
LA IA SE CONVIERTE EN UNA INDUSTRIA (DESDE 1980 HASTA
EL PRESENTE)
El
primer sistema experto comercial que tuvo éxito, R1, inicio su actividad en
Digital Equipment Corporation (McDermott, 1982). El programa se utilizaba en la
elaboración de pedidos de nuevos sistemas informáticos. En 1986 representaba
para la compañía un ahorro estimado de 40 millones de dólares al año. En 1988,
el grupo de Inteligencia Artificial de DEC había distribuido ya 40 sistemas
expertos, y había más en camino.
REGRESO DE LAS REDES NEURONALES (DESDE 1986 HASTA EL
PRESENTE)
Psicólogos
como David Rumelhart y Geoff Hinton continuaron con el estudio de modelos de
memoria basados en redes neuronales, el impulso más fuerte se produjo a
mediados de la década de los 80, cuando por lo menos cuatro grupos distintos
reinventaron el algoritmo de aprendizaje de retroalimentación, mencionado por
vez primera en 1969 por Biyson y Ho, este algoritmo se aplicó a diversos
problemas de aprendizaje en los campos de la informática y la psicología.
IA SE CONVIERTE EN UNA CIENCIA (DESDE 1987 HASTA EL
PRESENTE)
La IA
se fundó en parte en el marco de una rebelión en contra de las limitaciones de los
campos existentes como la teoría de control o la estadística, y ahora abarca
estos campos. Tal y como indica David McAllester (1998). Se puede decir que en
la actualidad la IA ya forma parte del ámbito de los métodos científicos. El
uso de Internet y el compartir repositorios de datos de prueba y código, ha
hecho posible realizar diversos experimentos.
EMERGENCIA DE LOS SISTEMAS INTELIGENTES (DESDE 1995
HASTA EL PRESENTE)
Uno de
los medios más importantes para los agentes inteligentes es Internet Los
sistemas de IA han llegado a ser comunes
en aplicaciones desarrolladas para la Web que el sufijo “-bot” se ha introducido en el
lenguaje común. Además, tecnologías de IA son la base de muchas herramientas
para Internet, como por ejemplo motores de búsqueda, sistemas de recomendación,
y los sistemas para la construcción de portales Web.
EL ESTADO DEL ARTE
Hoy en
día la IA se ha convertido en una ciencia para dar solución a varios problemas
y actividades que realiza el ser humano, a continuación se detallaran algunas
de ellas:
Planificación de autómatas: el
programa de la NASA Agente Remoto se convirtió en el primer programa de planificación
autónoma a bordo que controlaba la planificación de las operaciones de una nave
espacial desde abordo (Jonsson et al., 2000). El Agente Remoto generaba planes
a partir de objetivos generales especificados desde tierra, y monitorizaba las
operaciones de la nave espacial según se ejecutaban los planes (detección, diagnóstico y recuperación de problemas según ocurrían).
Juegos: Deep Blue de IBM fue el
primer sistema que derrotó a un campeón mundial en una partida de ajedrez
cuando superó a Garry Kasparov en una partida de exhibición (Goodman y Keene,
1997). Kasparov dijo que había percibido un «nuevo tipo de inteligencia» al
otro lado del tablero. La revista Newsweek describió la partida como “La
partida final”. El valor de las acciones de IBM se incrementó en 18 billones de
dólares.
Control autónomo: El
sistema de visión por computador ALVINN fue entrenado para dirigir un coche de
forma que siguiese una línea. Se instaló en una furgoneta controlada por
computador en el NavLab de UCM y se utilizó para dirigir al vehículo por
Estados Unidos. Durante 2.850 millas controló la dirección del vehículo en el
98 por ciento del trayecto. Una persona lo sustituyó en el dos por ciento
restante, principalmente en vías de salida. El NavLab posee videocámaras que
transmiten imágenes de la carretera a Alvinn, que posteriormente calcula la
mejor dirección a seguir, basándose en las experiencias acumuladas en los
viajes de entrenamiento.
Diagnosis: Los programas de diagnóstico
médico basados en el análisis probabilista han llegado a alcanzar niveles similares
a los de médicos expertos en algunas áreas de la medicina. El creador del
programa le sugirió que le preguntase al computador como había generado el
diagnostico. La máquina indico los factores más importantes en los que había
basado su decisión y explico la ligera interacción existente entre varios de
los síntomas en este caso.
Planificación logística: Las técnicas
de planificación de IA permitieron que se generara un plan en cuestión de horas
que podría haber llevado semanas con otros métodos. La agencia DARPA (Defense
Advanced Research Project Agency) afirmo que esta aplicación por si sola había más
que amortizado los 30 años de inversión de DARPA en IA.
Robótica: Muchos cirujanos utilizan hoy
en día asistentes robot en operaciones de microcirugía. HipNav (DiGioia etal., 1996)
es un sistema que utiliza técnicas de visión por computador para crear un
modelo tridimensional de la anatomía interna del paciente y después utiliza un
control robotizado para guiar el implante de prótesis de cadera.
Procesamiento de lenguaje y resolución de problemas:
PROVER B (Littman etal., 1999) es un
programa informático que resuelve crucigramas mejor que la mayoría de los
humanos, utilizando restricciones en programas de relleno de palabras, una gran
base de datos de crucigramas, y varias fuentes de información como diccionarios
y bases de datos online, que incluyen la lista de películas y los actores que
intervienen en ellas.
CONCLUSIÓN
La
inteligencia artificial a lo largo del tiempo ha pasado por diversas etapas y
personajes que para bien contribuyeron con la formación de la misma, hasta
llegar a ser tomada en cuenta como una ciencia. Además la IA ha contribuido
actualmente y seguirá haciéndolo para así dar solución a los problemas
cotidianos que para nosotros se nos hacían difíciles o demandaban demasiado tiempo.
BIBLIOGRAFÍA
Alvarez, L 1994. Fundamentos de la Inteligencia Artificial. Murcia 2ª ed
Barber, F. 2007. 10 años de “Inteligencia Artificial” Valencia, ES. Revista Iberoamericana de I.A. Vol 11.
Rusell, S; Norvig, P. 2004. Inteligencia
Artificial un Enfoque Moderno, Madrid, 2ed.
Romero, J; Dafonte, C; Gómez, A; Penousal, J. 2007. Inteligencia Artificial y Computación Avanzada. ES. Colección Informática nº 13
sábado, 31 de octubre de 2015
LOS FUNDAMENTOS DE LA INTELIGENCIA ARTIFICIAL
INTRODUCCIÓN
Para que
la inteligencia artificial surgiera como tal primero se dieron una variedad de
sucesos y aportaciones por diversos científicos además que con las aportaciones
esta iba relacionándose con varias ciencias como lo son la filosofía, matemáticas,
neurología, literatura, economía, entre
otras más ciencias que juntas lograron llevar el concepto de inteligencia
artificial fuese mucho más amplio. En el siguiente artículo se describirán algunas
de estas ciencias nombradas y los autores que intervinieron en estas.
FILOSOFIA (DESDE EL AÑO 428 A.C. HASTA EL PRESENTE)
La “Filosofía” proviene de los dos términos
griegos que por el significado de los términos que la componen, quiere decir: “amor a la Sabiduría”. El objeto de la
Filosofía es la realidad en su conjunto y cada una de las partes de la
realidad, lo que distingue a la Filosofía es su forma de acercarse tanto a la
realidad como a cada una de sus partes.
Aristóteles
(384-322 a.C.) fue el primero en formular un conjunto preciso de leyes que
gobernaban la parte racional de la inteligencia. El desarrollo un sistema
informal para razonar adecuadamente con silogismos, que en principio permitía extraer conclusiones mecánicamente, a partir de premisas iniciales.
MATEMÁTICAS (APROXIMADAMENTE DESDE EL AÑO 800 AL
PRESENTE)
George
Boole (1815 a 1864) introdujo su lenguaje formal para hacer inferencias lógicas
en 1847. En 1879, Gottlob Fregué (1848 a 1825) creo una lógica que, constituye
la lógica de primer orden que se utiliza actualmente como sistema básico de
representación del conocimiento. Alfred Tarski (1902 a 1983) introdujo una
teoría de referencia que enseña como relacionar objetos de una lógica con los
objetos del mundo real.
Alan
Turíng (1912 a 1954) caracteriza las funciones que si eran susceptibles de ser
calculadas, demostró también que existen algunas funciones que no es posible
calcular mediante la máquina de turing.
ECONOMÍA (DESDE EL AÑO 1776 HASTA EL PRESENTE)
La
ciencia de la economía comenzó en 1776, cuando el filósofo Adam Smith (1723-1790)
publicó An Inquiriinto the Nature and Causes of the Wealth of Nations, fue el
primero en tratar la economía como ciencia, utilizando la idea de que las economías
pueden concebirse como un conjunto de agentes individuales que intentan maximizar
su propio estado de bienestar económico. La mayor parte de la gente cree que la
economía solo se trata de dinero, pero los economistas dicen que ellos
realmente estudian cómo la gente toma decisiones que les llevan a obtener los
beneficios esperados.
NEUROCIENCIA (DESDE EL AÑO 1861 HASTA EL PRESENTE)
La Neurociencia
es el estudio del sistema neurológico, y en especial del cerebro. Se ha
observado durante miles de años que el cerebro está involucrado en los procesos
de pensamiento, ya que fuertes golpes en la cabeza pueden ocasionar minusvalía
mental.
Aristóteles
escribió, “de entre todos los animales el hombre tiene el cerebro más grande en
proporción a su tamaño”, aunque, no fue hasta mediados del siglo XVIII cuando se aceptó mayoritariamente que el cerebro es la base de la conciencia.
PSICOLOGÍA (DESDE EL AÑO 1879 HASTA EL PRESENTE)
La
psicología científica se inició con los trabajos del método médico alemán
Herman Vond Helmholsz (1821 a 1894) y su disípalo willhenm Wundt (1832-1920). La psicología cognoscitiva se remota por lo
menos a las obras de William james (1842-1910). En los inicios no existía una
distinción entre IA y ciencia cognoscitiva era frecuente ver programas de IA
caracterizados como si fueran resultados psicológicos.
INGENIERÍA COMPUTACIONAL (DESDE EL AÑO 1940 HASTA EL
PRESENTE)
Para
que la inteligencia artificial pueda llegar a ser una realidad se necesitan dos
cosas: Inteligencia y un artefacto. El computador ha sido el artefacto elegido.
El computador electrónico digital moderno se inventó de manera independiente y
casi simultánea por científicos en tres países involucrados en la Segunda
Guerra Mundial. Alan Turing construyo, en 1940, el primer computador operacional
de carácter electromecánico, llamado Heath Robinson11, con un único propósito:
descifrar mensajes alemanes. En 1943 se desarrolló
el Colossus, una maquina potente de propósito general basada en válvulas de vacío.
La IA también
tiene una deuda con la parte software de la informática que ha proporcionado los
sistemas operativos, los lenguajes de programación, y las herramientas necesarias
para escribir programas modernos.
TEORÍA DE CONTROL Y CIBERNÉTICA (DESDE EL AÑO 1948
HASTA EL PRESENTE)
Ktesibios
de Alejandria (250 a.C.) construyo la primera máquina auto controlada: un reloj
de agua con un regulador que mantenía el flujo de agua circulando por él, con
un ritmo constante y predecible. Esta invención cambio la definición de lo que
un artefacto podía hacer. Anteriormente, solamente seres vivos podían modificar
su comportamiento como respuesta a cambios en su entorno. La teoría de control
moderna tiene como objetivo el diseño de sistemas que maximizan una función
objetivo en el tiempo.
LINGÜÍSTICA
(DESDE EL AÑO 1957 HASTA EL PRESENTE)
La lingüística
moderna y la IA “nacieron”, al mismo tiempo, solapándose en un campo hibrido
llamado lingüística computacional o procesamiento del lenguaje natural. El
entendimiento del lenguaje requiere la comprensión de la materia bajo estudio y
de su contexto. Gran parte de los primeros trabajos de investigación en el área
de la representación del estaban vinculados al lenguaje y a la búsqueda de información
en el campo del lenguaje, y su base eran las investigaciones realizadas durante
décadas en el análisis filosófico del lenguaje.
CONCLUSION
BIBLIOGRAFÍA
Para que
la inteligencia artificial llegara a ser como ahora se tuvo que pasar por
diversas evoluciones y muchas disciplinas que ayudaron en desarrollo de la
misma, así como también al esfuerzo de diversos filósofos, científicos, etc.
que aportaron en las diversas disciplinas que están llevadas de la mano de la
inteligencia artificial.
- Carrión, M. 2014. Resolución de anáforas que requieren conocimiento cultural con la herramienta Fungramkb. Valencia, ES. Revista de Lingüística y lenguas aplicadas. Vol 9.
- IES Luis de Camoens 2008. ¿Qué es la Filosofía?. (En línea). Consultado 01 nov. 2015. Formato PDF. Disponible en: https://www.google.com.ec/url?sa=t&rct=j&q=&esrc=s&source=web&cd=5&ved=0CDYQFjAEahUKEwiv4pTmj_PIAhXC0xoKHWaRDPM&url=https%3A%2F%2Ffilosofiaceuta.files.wordpress.com%2F2008%2F09%2Funidad-01-que-es-la-filosofia-teorias-de-la-verdad.pdf&usg=AFQjCNH4kPc3hHmpAJWMSuYsIEa9XUSpTQ&sig2=jhHWQ4wYoFsZcGtr2HuAuA
- Rusell, S; Norvig, P. 2004. Inteligencia Artificial un Enfoque Moderno, Madrid, 2ed.
Suscribirse a:
Comentarios (Atom)